Question

我想估算图像中的噪点。

让我们假设一个图像+白噪声的模型。现在我想估算噪声方差。

我的方法是计算图像的局部方差（3 * 3到21 * 21块），然后找到局部方差相当恒定的区域（通过计算局部方差矩阵的局部方差）。我假设这些区域是“平坦的”，因此方差几乎是“纯粹”的噪音。

然而，我没有得到持续的结果。

有更好的方法吗？

感谢。

P.S。我不能假设任何关于图像但是独立的噪声（对于真实图像不是这样，但我们假设它）。

Answer 1

您可以使用以下方法估算噪声方差（此实现仅适用于灰度图像）：

def estimate_noise(I):

  H, W = I.shape

  M = [[1, -2, 1],
       [-2, 4, -2],
       [1, -2, 1]]

  sigma = np.sum(np.sum(np.absolute(convolve2d(I, M))))
  sigma = sigma * math.sqrt(0.5 * math.pi) / (6 * (W-2) * (H-2))

  return sigma

参考文献：J.Immerkær，“Fast Noise Variance Estimation”，Computer Vision and Image Understanding，Vol。 64，第2期，第300-302页，1996年9月[PDF]

Answer 2

从噪声中表征信号的问题并不容易。根据您的问题，第一次尝试将表征二阶统计量：已知自然图像具有像素到像素的相关性 - 按照定义 - 不存在于白噪声中。

在傅立叶空间中，相关性对应于能谱。众所周知，对于自然图像，它减少为1 / f ^ 2。为了量化噪声，我建议用两个假设（平面和1 / f ^ 2）计算图像光谱的相关系数，以便提取系数。

启动你的一些功能：

import numpy
def get_grids(N_X, N_Y):
    from numpy import mgrid
    return mgrid[-1:1:1j*N_X, -1:1:1j*N_Y]

def frequency_radius(fx, fy):
    R2 = fx**2 + fy**2
    (N_X, N_Y) = fx.shape
    R2[N_X/2, N_Y/2]= numpy.inf

    return numpy.sqrt(R2)

def enveloppe_color(fx, fy, alpha=1.0):
    # 0.0, 0.5, 1.0, 2.0 are resp. white, pink, red, brown noise
    # (see http://en.wikipedia.org/wiki/1/f_noise )
    # enveloppe
    return 1. / frequency_radius(fx, fy)**alpha #

import scipy
image = scipy.lena()
N_X, N_Y = image.shape
fx, fy = get_grids(N_X, N_Y)
pink_spectrum = enveloppe_color(fx, fy)

from scipy.fftpack import fft2
power_spectrum = numpy.abs(fft2(image))**2

我建议this wonderful paper了解更多详情。

Answer 3

Scikit Image具有估计sigma函数，效果很好：

http://scikit-image.org/docs/dev/api/skimage.restoration.html#skimage.restoration.estimate_sigma

它也适用于彩色图像，您只需要设置<?php use Illuminate\Support\Facades\Schema; use Illuminate\Database\Schema\Blueprint; use Illuminate\Database\Migrations\Migration; class CreateUserRelationUserTable extends Migration { /** * Run the migrations. * * @return void */ public function up() { Schema::create('user_relation_user', function (Blueprint $table) { $table->increments('id'); $table->integer('user_id')->unsigned(); $table->integer('user_id_admin')->unsigned(); $table->timestamps(); $table->foreign('user_id')->references('id')->on('users')->onDelete('cascade'); }); } /** * Reverse the migrations. *foreign * @return void */ public function down() { Schema::dropIfExists('user_relation_user'); } }和multichannel=True：

average_sigmas=True

高数字意味着低噪声。

图像噪声估计/噪声测量

3 个答案: